一种基于多维特征的GIS局部放电模式识别系统构建方法与流程

一种基于多维特征的gis局部放电模式识别系统构建方法
技术领域
1.本发明涉及局部放电检测技术领域，尤其涉及一种基于多维特征的gis局部放电模式识别系统构建方法。


背景技术：

2.根据局部放电所表现出来的特征，局部放电的检测方法主要有脉冲电流法、超声波法、油色谱法和特高频法等，通过分析放电脉冲相位分布识别局部放电模式是评估电气设备绝缘状态的主要方法，目前常用的局部放电模式识别有局部放电数据处理、局部放电特征提取和局部放电模式识别，常用分形特征、统计特征和矩形特征对局部放电特征进行提取，现有的模式识别方法主要有分类器和卷积神经网络。
3.由于以脉冲形式或脉冲峰值作为识别特征的方法容易受到电压水平和干扰的影响，不适用于非平稳放电信号，特高频信号也属于非平稳信号，单一的时域或者频域描述不能完整表征放电波形信息，传统的方法在处理大数据时会出现效率低下，特征缺失等问题，现有的模式识别方法的学习速度缓慢，可能导致过拟合、容易陷入局部均值问题、对特定问题需选择合理的网络结构，结构过小容易造成不收敛，现场检测的信号中只是提取了相应的物理量，并未考虑工频参考相位发生偏移的问题，这些方法往往带有人为主观因素、具有单一性、盲目性高和识别率低的缺点，由于模式识别系统多样，没有形成固有的模式识别模块，每次使用都需单独训练，需要消耗大量的时间。


技术实现要素：

4.本发明目的在于，提供一种基于多维特征的gis局部放电模式识别系统构建方法，以解决gis局部放电模式识别效率低的问题。
5.为实现上述目的，本发明提供一种基于多维特征的gis局部放电模式识别系统构建方法，包括：
6.获取gis局部放电信号数据并生成局部放电信号prpd图谱；
7.根据所述局部放电信号prpd图谱获取特征矢量，其中，所述特征矢量包括，根据所述局部放电信号prpd图谱中的幅值与相位获取的第一特征、相位与脉冲数获取的第二特征、幅值与脉冲获取的第三特征以及频率获取的第四特征；
8.采用pca对所述特征矢量进行降维，获取降维后的特征矢量；
9.将所述降维后的特征矢量输入bp神经网络进行训练，构建gis局部放电模式识别系统。
10.优选地，所述获取gis局部放电信号数据并生成局部放电信号prpd图谱，具体为：
11.采用阈值降噪和归一化处理所述gis局部放电信号数据，获取所述局部放电信号prpd图谱，其中，所述归一化包括，相位分辨率归一化、脉冲数归一化以及幅值归一化。
12.优选地，在所述获取gis局部放电信号数据并生成局部放电信号prpd图谱之后，还包括：
13.根据比例将所述局部放电信号prpd图谱划分为训练集和验证集，其中，所述训练集包括降维后的特征矢量，所述比例为8:2。
14.优选地，所述根据所述局部放电信号prpd图谱获取特征矢量，具体为：
15.根据所述局部放电信号prpd图谱确定幅值与相位曲线，根据所述幅值与相位曲线，提取每个相位区间内最大幅值以确定所述第一特征；
16.根据所述局部放电信号prpd图谱确定相位与脉冲数曲线，根据所述相位与脉冲数曲线，提取每个相位区间内脉冲数以确定所述第二特征；
17.根据所述局部放电信号prpd图谱确定幅值与脉冲数曲线，根据所述幅值与脉冲数曲线，提取每个幅值区间内脉冲数以确定所述第三特征；
18.根据所述局部放电信号prpd图谱确定幅值与相位曲线，计算所述幅值与相位曲线的傅里叶变换并提取频率分量以确定所述第四特征。
19.优选地，所述计算所述幅值与相位曲线的傅里叶变换并提取频率分量以确定所述第四特征，具体为：
20.根据所述prpd图谱在相位轴上做周期延拓至256点，计算所述幅值与相位曲线的傅里叶变换，提取50hz、100hz、150hz、200hz、250hz以及300hz的频率分量以确定所述第四特征。
21.优选地，所述将所述降维后的特征矢量输入bp神经网络进行训练，包括：
22.所述bp神经网络包括输入层、隐藏层以及输出层；
23.所述训练包括初始化所述bp神经网络的权值和阈值，其中，初始化所述权值包括，输入层神经元与输出层神经元间的连接权值，隐藏层神经元与所述输出层神经元间的连接权值，所述初始化所述阈值包括，所述隐藏层神经元阈值与所述输出层神经元阈值。
24.优选地，所述将所述降维后的特征矢量输入bp神经网络进行训练，还包括：
25.将所述训练集输入至所述bp神经网络，分别计算所述隐藏层神经元以及所述输出层神经元的输入值与输出值。
26.优选地，所述分别计算所述隐藏层神经元以及所述输出层神经元的输入值与输出值，具体为：
27.根据所述输入层神经元与所述输出层神经元间的连接权值、神经元输入以及所述隐藏层神经元的阈值，计算所述隐藏层神经元的输入值与输出值；
28.根据所述隐藏层与所述输出层神经元的连接权值、所述隐藏层神经元的输出值以及所述输出层神经元阈值，计算所述输出层神经元的输入值与输出值。
29.优选地，在所述分别计算所述隐藏层神经元以及所述输出层神经元的输入值与输出值之后，还包括：
30.根据所述训练集的期望值与所述输出层的输出值作差，获取所述输出层神经元的阈值、所述输入层神经元与所述输出层神经元间的连接权值以及所述隐藏层与所述输出层神经元的连接权值的第一校正误差；
31.根据所述第一校正误差、所述隐藏层与所述输出层神经元的连接权值以及所述隐藏层神经元的输出值，获取所述隐藏层神经元的阈值以及所述隐藏层与所述输出层神经元的连接权值的第二校正误差；
32.根据神经元传递过程中的修正系数、所述隐藏层与所述输出层神经元的连接权
值、所述第一校正误差以及所述隐藏层神经元的输出值，获取第一修正模型；
33.根据所述输出层神经元的阈值、所述隐藏层神经元的输出值修正系数以及所述第一校正误差，获取第二修正模型；
34.根据所述输入层神经元与所述输出层神经元间的连接权值、所述神经元传递过程中的修正系数、所述第二校正误差以及所述神经网络的输入，获取第三修正模型；
35.根据所述隐藏层神经元的阈值、所述隐藏层神经元的输出值修正系数以及所述第二校正误差，获取第四修正模型。
36.优选地，在所述将所述降维后的特征矢量输入bp神经网络进行训练之后，还包括，将所述bp神经网络进行封装，采用电力设备并将所述验证集输入所述bp神经网络中验证所述bp神经网络的准确率，获取所述gis局部放电模式识别系统。
37.相对于现有技术，本发明的有益效果在于：
38.为了使局部放电的检测更为准确，采用gis局部放电信号数据生成局部放电信号prpd图谱，同时提取多维特征，并采用pca进行降维处理，处理后的数据采用bp网络进行训练，其中，对bp网络进行校正误差以及修正，从而提高系统的识别准确率以及在线检测效率。
附图说明
39.为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
40.图1是本发明某一实施例提供的基于多维特征的gis局部放电模式识别系统构建方法的流程示意图；
41.图2是本发明另一实施例提供的基于多维特征的gis局部放电模式识别系统构建方法的流程示意图；
42.图3是本发明又一实施例提供的bp神经网络识别过程示意图。
具体实施方式
43.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
44.应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
45.应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
46.术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
47.术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组
合，并且包括这些组合。
48.请参阅图1，本发明某一实施例提供一种基于多维特征的gis局部放电模式识别系统构建方法，包括以下步骤：
49.s101、获取gis局部放电信号数据并生成局部放电信号prpd图谱。
50.具体的，通过gis设备在线监测系统采集局部放电故障类型的信号，根据局部放电故障类型的信号生成不同缺陷类型的局部放电信号prpd图谱，prpd图谱模式通过对放电gis局部放电信号的处理，得到关于放电次数n、放电相位φ和视在放电量q的关系图谱，采集的局部放电信号含有大量的噪声干扰，应先对局部放电数据进行降噪，由于变电站中不同的设备具有不同的电压等级，不同的采集系统也会产生不同幅值和相位的局部放电数据，需归一化处理，采用阈值降噪和归一化处理gis局部放电信号数据，获取局部放电信号prpd图谱，其中，归一化包括，相位分辨率归一化、脉冲数归一化以及幅值归一化。
51.阈值降噪是指移除底部平铺的噪声信号，放大为查找每个相位区间的脉冲数大于0的最大幅值，共计64个值，则这64个值的最小值即为本底部噪声门槛，将所有幅值小于该门槛值的脉冲数设置为0。
52.相位分辨率归一化是指相位轴分辨率量化为64，其中，原分辨率128的，相同幅值的相邻2个相位区间的脉冲数相加，原分辨率256的，相同幅值的相邻4个相位区间的脉冲数相加。
53.脉冲数归一化是指将局部放电信号prpd图谱最大脉冲数归一化为1，所有脉冲数线性归一化至[0,1]区间。
[0054]
幅值归一化是指将局部放电信号prpd图谱幅值线性归一化至[0,1]区间，原图谱的最小幅值归一化为0，原图谱的最大幅值归一化为1。
[0055]
幅值重采样是指归一化后的幅度轴重新按分辨率64重新量化，最终得到局部放电信1号1p11rpd图谱，以64*64的二维数组保存。
[0056]
s102、根据所述局部放电信号prpd图谱获取特征矢量，其中，所述特征矢量包括，根据所述局部放电信号prpd图谱中的幅值与相位获取的第一特征、相位与脉冲数获取的第二特征、幅值与脉冲获取的第三特征以及频率获取的第四特征。
[0057]
具体的，根据局部放电信号prpd图谱确定幅值与相位曲线，根据幅值与相位曲线，提取每个相位区间内最大幅值以确定第一特征，形成64维矢量特征，根据局部放电信号prpd图谱确定相位与脉冲数曲线，根据相位与脉冲数曲线，提取每个相位区间内脉冲数以确定第二特征，形成64维矢量特征，根据局部放电信号prpd图谱确定幅值与脉冲数曲线，根据幅值与脉冲数曲线，提取每个幅值区间内脉冲数以确定第三特征，形成64维矢量特征，根据局部放电信号prpd图谱确定幅值与相位曲线，计算幅值与相位曲线的傅里叶变换并提取频率分量以确定第四特征，其中，根据prpd图谱在相位轴上做周期延拓至256点，计算幅值与相位曲线的傅里叶变换，提取50hz、100hz、150hz、200hz、250hz以及300hz的频率分量以确定所述第四特征。
[0058]
s103、采用pca对所述特征矢量进行降维，获取降维后的特征矢量。
[0059]
具体的，pca线性地将数据转换到一个新的坐标系统，同时保留原始数据的信息，每条数据按照以上步骤转换为198维特征矢量，进行pca降维。
[0060]
s104、将所述降维后的特征矢量输入bp神经网络进行训练，构建gis局部放电模式
识别系统。
[0061]
请参阅图2，具体的，将处理好的gis缺陷局部放电数据图谱进行标注，并划分训练集和验证集，将训练集输入bp神经网络进行训练，并采用验证集验证网络识别的准确率，如下：
[0062]
bp神经网络包括输入层、隐藏层以及输出层，首先初始化bp网络的权值和阈值，其中，初始化权值包括，输入层神经元与输出层神经元间的连接权值，隐藏层神经元与输出层神经元间的连接权值，初始化阈值包括，隐藏层神经元阈值与输出层神经元阈值。用较小的随机数初始化网络输入层第i个神经元至输出层第j个神经元的连接权值{w
ij
}，隐层第j个神经元到输出层第k个神经元的连接权值{v
jk
}和第j个隐含层神经元阈值{θ
j
}、第k个输出层神经元阈值{γ
k
}。
[0063]
其次，输入训练集，分别计算隐藏层神经元以及输出层神经元的输入值与输出值，如下：
[0064]
根据第i个输入层神经元与第j个输出层神经元间的连接权值w
ij
、神经元输入i
i
以及隐藏层神经元阈值θ
j
，计算隐藏层神经元的输入值a
j
与输出值b
j
，如下：
[0065][0066][0067]
根据第j个隐藏层与第k个输出层神经元的连接权值v
jk
、隐藏层神经元的输出值b
j
以及输出层神经元阈值γ
k
，计算第个输出层神经元的输入值s
k
与输出值y
k
，如下：
[0068][0069][0070]
其中，m表示输入层节点数，p表示隐藏层的节点数，q表示输出层的节点数。
[0071]
根据训练集的期望值c
k
与输出层的输出值y
k
作差，获取输出层神经元的阈值、输入层神经元与输出层神经元间的连接权值以及隐藏层与输出层神经元的连接权值的第一校正误差δ
k
，具体如下：
[0072]
δ
k
＝(c
k
‑
y
k
)y
k
(1
‑
y
k
)；
[0073]
根据第一校正误差δ
k
、隐藏层与输出层神经元的连接权值v
jk
以及隐藏层神经元的输出值b
j
，获取隐藏层神经元的阈值以及隐藏层与输出层神经元的连接权值的第二校正误差σ
j
，具体如下：
[0074][0075]
第t 1次修正，其中t为修正次数，根据神经元传递过程中的修正系数α、第t次修正时隐藏层与输出层神经元的连接权值第一校正误差δ
k
以及隐藏层神经元的输出值b
j
，获取第一修正模型即第j个神经元至输出层第k个神经元的权值修正，具体如下：
[0076][0077]
根据输出层神经元的阈值隐藏层神经元的输出值修正系数β以及第一校正误差δ
k
，获取第二修正模型具体如下：
[0078][0079]
根据输入层神经元与输出层神经元间的连接权值神经元传递过程中的修正系数α、第二校正误差σ
j
以及神经网络的输入i
i
，获取第三修正模型具体如下：
[0080][0081]
根据隐藏层神经元的阈值隐藏层神经元的输出值修正系数β以及第二校正误差σ
j
，获取第四修正模型具体如下：
[0082][0083]
取下一个训练样本，若有训练样本则重新计算bp神经参数，进行训练，更新学习次数，若学习次数小于规定次数n或误差小于网络全局误差e不满足精度ε要求，则重新输入样本，训练集训练结束。
[0084]
请参阅图,3，再次对待识别图谱进行30度的偏移，重复模式识别处理步骤，得到概率最大的输出类型，遍历11次后，共得到12个概率最大的输出类型结果，将训练好的模式识别网络进行封装形成bp神经网络识别模块，并采用电力设备在线检测系统实时采集局部放电数据进行在线测试。
[0085]
本发明将训练好的模式识别网络进行封装形成bp神经网络识别模块，并采用电力设备在线检测系统实时采集局部放电数据进行在线测试。具体地，充分利用局部放电信号的数据特征，通过有监督的三层前馈式网络bp神经网络进行训练，可以通过期望值和输出值方向调节训练网络，提高了模式识别地准确率，减少了人工调整网络模型所耗费精力和时间，通过形成bp神经网络识别模块，减少了现场检测网络的人工训练次数，节约了大量的时间用于后期的故障分析诊断。
[0086]
本发明网络结构简单，收敛速度快，预测精度高，减少了输入参数和样本量，避免了不良输入网络的数据对预测模型的影响，适用于gis局部放电现场检测，简化了识别过程，减少大量人力物力的消耗，能够对变电站现场的gis设备数量庞大、来源复杂的局部放电进行模式识别，可以获得更高的模式识别准确率，具有更好的识别性能，适用于大数据平台下的工程应用。
[0087]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。